X光胸片圖像分割和特征識別技術(shù)研究.pdf

1、胸腔曾被喻為人體健康和疾病的鏡子，因?yàn)樗喾N組織，提供了人體多方面的信息，因此X光胸片有重要的醫(yī)學(xué)應(yīng)用價值。然而X光胸片在圖像質(zhì)量上存在著很大的缺陷，如圖像分辨率低、組織重疊干擾嚴(yán)重等等，使得X光胸片中幾乎任何一種組織都沒有明確的邊界，所以利用計(jì)算機(jī)進(jìn)行輔助診斷的技術(shù)成為了熱切需求的工具。 本文以計(jì)算機(jī)輔助診斷的臨床應(yīng)用為背景，研究了關(guān)于X光胸片的幾個關(guān)鍵圖像處理和分析技術(shù)。主要包括肺部分割、肋骨分割和肺結(jié)節(jié)自動檢測。具體內(nèi)

2、容如下： 對肺部分割進(jìn)行了比較全面的總結(jié)。實(shí)現(xiàn)了已有典型的肺部分割方法，包括基于規(guī)則的邊界檢測法、幾何模型匹配法和Snake模型法。在充分分析了現(xiàn)有肺部分割方法不足的基礎(chǔ)上，本文提出了一種綜合的區(qū)域分割方法。該方法采用一種由粗到精的策略，首先根據(jù)柔性形態(tài)學(xué)腐蝕算子對圖像暗區(qū)的擴(kuò)張作用，利用它對圖像作一次順序?yàn)V波，獲得很高的分割靈敏度；然后在目標(biāo)區(qū)域采用一種聚類技術(shù)，得到精細(xì)的分割片段；最后，利用知識規(guī)則篩選和重組區(qū)域并得到最后的

3、結(jié)果。通過對比其它典型方法，該分割方法的靈敏度和精確度均很高。為了更好地提取肺輪廓，本文在深入研究主動形狀模型(Active Shape Model，ASM)分割算法的基礎(chǔ)上實(shí)現(xiàn)了肺輪廓的提取。通過分析經(jīng)典ASM和多分辨率ASM的缺陷，本文對經(jīng)典ASM方法做了一點(diǎn)改進(jìn)，即在ASM訓(xùn)練的同時選取采樣輪廓填充后的圖像作為期望輸出訓(xùn)練神經(jīng)網(wǎng)絡(luò)，將ASM的局部表面模型建立在網(wǎng)絡(luò)輸出上，然后再建立ASM統(tǒng)計(jì)模型，應(yīng)用過程中原始圖像要先經(jīng)過網(wǎng)絡(luò)處理

4、，然后再進(jìn)行局部紋理匹配。與其它方法相比，該方法在分割靈敏度、精確度和計(jì)算速度方面均獲得了最優(yōu)。 深入研究了肋骨分割問題。實(shí)現(xiàn)了已有肋骨分割方法。包括K-均值聚類算法、高斯曲面閾值法、迭代上下文像素分類法和Hough變換法。本文對Hough變換肋骨分割方法加以改進(jìn)，將Hough變換應(yīng)用于形態(tài)學(xué)細(xì)化后的圖像，對每根肋骨采用一條線來表達(dá)，再通過形態(tài)學(xué)膨脹來近似得到肋骨區(qū)域，從而避免了直接應(yīng)用Hough變換在判斷肋骨上下邊緣上存在的困